大脑网络组织的多尺度建模：多层网络视角(2)

不同尺度也受限于人类现有工具采集到的数据。比如，光学成像、脑电图（EEG）、脑磁图（MEG）、功能磁共振成像（fMRI），这些数据常用来构建动态的脑功能网络。解剖性的脑网络通常来源于死后束追踪（postmortem tract tracing）或体内、体外结构成像技术：弥散张量成像（DTI，diffusion tensor imaging）。
光学成像，例如功能性近红外光谱（fNIRS），其空间分辨率可以达到毫米量级，但时间分辨率往往在秒量级。EEG和MEG的时间分辨率可以达到毫秒量级，但空间分辨率大约在厘米量级。BOLD fMRI的空间分辨率上至整个大脑，下至小于1毫米，而时间分辨率通常是几秒钟到一两分钟。这些数据的时间、空间分辨率各不相同，适用于不同尺度下大脑活动的数据采集。各种采集方式有各自的优势和不足，综合各个尺度下采集的数据进行分析，有助于我们进一步理解大脑活动的规律。

图1：多尺度的大脑组织
所以全面地了解大脑，需要我们对多尺度和不同层次的神经组织进行综合的描述。然而多尺度的大脑模型构建极具挑战，一部分原因是难以同时获取多尺度和水平下的大脑信息。与此同时，研究者们虽然已经对特定环路会对宏观脑活动产生影响有了一定的认识，但具体到一个尺度和水平下的改变如何对其它尺度和水平产生影响，对这种全面表征仍然知之甚少。
最近研究者们致力于利用源于网络科学以及复杂系统理论的新框架，来尝试解决上面提到的问题。这些理论提供了一个强有力的框架，用来分析和构建包含相互作用的系统模型，这些系统展示了各个信息层之间以及内部的相互作用。
2. 大脑的多层网络构建
在神经科学中，多尺度建模考虑单个神经元活动到宏观集体动力学行为的多个层次。这些都是依赖于结合神经元动力学中的生物物理力学模型和实验神经成像数据这二者而实现的。这种自下而上的方法允许人们通过小尺度下整合的信息来对宏观观测值进行预测，而这都是在平均场近似的假设下构建的。
平均场近似产生于统计力学中，同时广泛应用在神经科学、人工智能之中。它是一种研究复杂多体问题的方法，是对大且复杂的随机模型的一种简化，未简化前的系统常常包含巨大数目的含相互作用的小个体，平均场近似做了这样的近似：对某个独立小个体，其他所有小个体对其产生的作用可以用一个平均的量给出，如此，简化后的模型成为一个单体问题。